线性时不变系统PID–型迭代学习控制律的单调收敛形态

传统的迭代学习控制机理中, 积分补偿是典型的策略之一, 但其跟踪效用并不明确. 本文针对连续线性时 不变系统, 对传统的PD–型迭代学习控制律嵌入积分补偿, 利用分部积分法和推广的卷积Young不等式, 在Lebesgue- p范数意义下, 理论分析一阶和二阶PID–型迭代学习控制律的收敛性态. 结果表明, 当比例、积分和导数学习增益满 足适当条件时, 一阶PID–型迭代学习控制律是单调收敛的, 二阶PID–型迭代学习控制律是双迭代单调收敛的. 数值 仿真验证了积分补偿可有效地提高系统的跟踪性能.     

含多状态时滞的连续时间迭代学习控制系统稳定性分析

探讨了含多状态时滞连续时间迭代学习控制系统的稳定性分析问题, 尤其是当系统参数带有多面体不确定性时的鲁棒稳定性分析问题. 通过引入一个扩展算子, 利用迭代学习控制中的二维分析方法给出了时滞系统整个学习动态过程的连续离散Roesser系统描述. 基于所得的Roesser系统, 首先利用二维系统理论给出了保证迭代学习控制系统渐近稳定的充要条件, 然后结合鲁棒H∞控制理论提出了以线性矩阵不等式形式描述的充分条件来保证迭代学习控制系统的单调收敛性. 结果表明, 通过求解线性矩阵不等式确定的学习增益可以使控制输入误差随着迭代次数的增加单调收敛于零. 仿真结果表明, 通过增加满足一组线性矩阵不等式条件的P型学习增益能够使得一个鲁棒渐近稳定的迭代学习控制方案变为鲁棒单调收敛的, 同时还可以大大提高收敛速率.     

Lebesgue-p范数意义下区间可调节的变增益加速迭代学习控制

为加快迭代学习控制律的收敛速度,针对线性时不变(LTI)系统,以PD-型学习律为例,提出一种区间可调节的具有指数加速的迭代学习控制算法.首先,根据每次学习效果确定下一次迭代需要修正的区间并在该区间内修正控制律增益;然后,在Lebesgue-p范数意义下分析所提出算法的收敛性并给出其收敛条件;最后,通过理论分析表明,收敛速度主要取决于被控对象、控制律增益、修正指数和学习区间的大小.在相同仿真条件下,与传统算法相比,所提出算法具有更快的收敛速度.     

离散非线性系统的迭代学习轨迹跟踪鲁棒算法优化及应用

针对一类存在随机输入状态扰动、输出扰动及系统初值与给定期望值不严格一致的离散非线性重复系统,提出了一种P型开闭环鲁棒迭代学习轨迹跟踪控制算法.基于λ范数理论证明了算法的严格鲁棒稳定性,并通过多目标函数性能指标优化P型开闭环迭代学习控制律的增益矩阵参数,保证了优化算法下系统输出期望轨迹跟踪误差的单调收敛性,达到提高学习算法收敛速度和跟踪精度的目的.最后应用于二维运动移动机器人的实例仿真,验证了本文算法的可行性和有效性.     

执行器故障时变系统的PID迭代容错控制

对存在执行器故障的连续线性时变系统，给出了PID型迭代学习容错控制律的收敛条件。对连续时变故障系统设计了一种PID迭代学习容错控制律，在[λ]范数意义下给出了故障系统PID型迭代容错控制器收敛的充要条件；基于Schur补原理和不等式变换，将容错控制器收敛条件转换成线性矩阵不等式，当迭代学习收敛速度设定时，基于线性矩阵不等式能快速确定最优迭代控制增益，避免了迭代控制增益设置的盲目性。旋转控制系统的数值仿真，验证了PID迭代容错控制器优良的容错性能和跟踪性能。     

不确定离散线性系统的鲁棒单调反馈–前馈迭代学习控制

针对一类不确定离散线性系统,提出一种沿迭代方向鲁棒单调收敛和沿时间方向有界输入有界输出(bouned-input bounded-output,BIBO)稳定的反馈–前馈迭代学习控制策略.首先,将不确定反馈–前馈迭代学习系统表示为不确定二维Roesser模型系统;然后,把二维系统沿迭代方向的鲁棒单调收敛问题转化成一维系统的H∞干扰抑制控制问题,并给出系统的稳定性证明和用线性矩阵不等式(linear matrix inequality,LMI)表示的沿迭代方向鲁棒单调收敛的充分条件,该LMI充分条件不仅可以用于确定反馈–前馈控制器的增益矩阵,而且还可以保证系统沿时间轴方向是BIBO稳定的;最后,仿真结果证明了该反馈–前馈迭代学习控制策略的有效性.     

非正则线性系统的闭环P型迭代学习控制

迭代学习控制是改善具有重复运行性质过程的跟踪性能的有效方法。开环迭代学习控制学习周期长，在迭代学习的初期容易出现不稳定和高增益的现象。对非正则系统的迭代学习控制，需要采用高阶微分学习律。该文针对一类非正则线性定常连续系统，讨论了闭环P型迭代学习控制律，给出并证明了闭环P型迭代学习控制律的收敛性条件的两个定理，解决了非正则系统的P型迭代学习控制问题。仿真实例说明闭环迭代学习律的有效性和快速性。     

可变学习增益的迭代学习控制律

基于迭代学习控制理论提出了一种可变学习增益的迭代学习律,在非线性系统中对期望轨迹进行跟踪,与学习增益不变的迭代学习控制相比较,收敛速度得到很大的提高;通过对其收敛性进行严格的数学证明,得到了迭代学习律收敛的充分条件;在单机无穷大系统中,将该控制律应用于同步发电机的励磁控制,仿真结果表明该控制律的有效性,改善了控制的动态特性,有利于提高电力系统稳定性.     

Lebesgue-?? 范数意义下对初态误差进行加速修正的迭代学习控制

针对一类多输入多输出线性时不变系统, 提出一种初态误差加速修正的PD-型迭代学习算法. 针对系统的任意初始状态, 在时间轴上设计一个随迭代次数增加而缩短的修正区间. 在该区间上, 控制算法对初始状态偏差进行修正; 修正区间外, 算法与无初始误差的学习律等同. 在Lebesgue-?? 范数度量跟踪误差意义下, 利用卷积的推 广Young 不等式证明了所提出学习控制律的收敛性. 数值仿真验证了该控制律的有效性.

     

基于未知控制增益的非线性系统自适应迭代反馈控制

针对一类单输入单输出不确定非线性重复跟踪系统, 提出一种基于完全未知控制增益的自适应迭代反馈控制. 与普通迭代学习控制需要学习增益稳定性前提条件不同, 所提自适应迭代反馈控制律通过不断修改Nuss baum形式的反馈增益达到收敛. 证明当迭代次数i→δ时, 重复跟踪误差可一致收敛到任意小界δ. 仿真显示了所提控制方法的有效性.     

高阶无模型自适应迭代学习控制

针对一类非线性非仿射离散时间系统,提出了高阶无模型自适应迭代学习控制方案.控制器的设计和分析仅依赖于系统的输入/输出(I/O)数据,不需要已知任何其他知识.该方法采用了高阶学习律,可利用更多以前重复过程中的控制信息提高系统收敛性,且学习增益可通过"拟伪偏导数"更新律迭代调节.仿真结果验证了所提出算法的有效性.     

基于遗传算法的模糊迭代学习控制算法

为了提高被控系统的控制精度及加快迭代域内的收敛速度,提出一种基于遗传算法的模糊PD型迭代学习控制算法。该算法通过模糊TSK模型设计迭代学习控制器,TSK模型中THEN部分的未知参数由遗传算法离线计算确定,进而产生合理的迭代学习律。针对被控系统,设计相应的迭代学习控制算法进行仿真分析,并与传统PD型迭代学习控制算法、模糊PID迭代学习控制算法相比较,进而将该算法用于双关节机械手进行仿真研究,仿真结果表明该算法的有效性。     

Initial shift issues on discrete-time iterative learning control with system relative degree

This paper deals with the initial shift problem that arises from discrete-time iterative learning control. A unified learning scheme is considered for a class of nonlinear systems with well-defined relative degree, which adopts the error data with anticipation in time and provides wider freedom for the updating law formation. The sufficient convergence condition is derived to enable the system to possess asymptotic tracking capability and the converged output trajectory can be assessed by the initial condition. The tracking performance is improved further by the introduction of initial rectifying action and the complete tracking is achieved over a specified interval.     

高相对阶连续时间系统的间接迭代学习控制

本文提出了一类高相对阶线性连续时间系统的间接迭代学习控制算法,该算法相对独立于系统局部控制器,因此可以应用于已有局部反馈控制器的系统.采用具有极点配置的H∞鲁棒控制器作为系统的内环控制,而在外环通过迭代学习控制调整内环系统的指令信号.通过引入拉氏变化,构建了迭代学习系统的2-D Roesser模型,推导了系统渐近收敛条件,并研究了存在有界初始条件偏移和迭代变化外部干扰时算法的鲁棒性能.最后,利用空中加油对接控制的算例进一步验证了算法的有效性.     

参考轨迹更新的点到点迭代学习控制算法优化及应用

针对受非重复扰动作用的离散线性系统的输出跟踪控制问题,提出一种基于参考轨迹更新的点到点迭代学习控制算法.首先通过构建性能指标函数对控制器进行范数优化,并给出相应的收敛性条件,使得系统输出能够跟踪上更新后参考轨迹处的期望点.其次,当系统输出端受到某批次非重复扰动的影响时,进一步通过引入拉格朗日乘子算法构造多目标性能指标函数,以优化鲁棒迭代学习控制器,达到提高收敛速度和跟踪精度的目的.最后将该算法应用于电机驱动的单机械臂控制系统中,仿真结果验证了算法的合理性和有效性.     

Analysis of Nonlinear Discrete-Time Systems with Higher-Order Iterative Learning Control

In this paper, an iterative learning control method is proposed for a class of nonlinear discrete-time systems with well-defined relative degree, which uses the output data from several previous operation cycles to enhance tracking performance. A new analysis approach is developed, by which the iterative learning control is shown to guarantee the convergence of the output trajectory to the desired one within bound and the bound is proportional to the bound on resetting errors. It is further proved effective to overcome initial shifts and the resultant output trajectory can be assessed as iteration increases. Numerical simulation is carried out to verify the theoretical results and exhibits that the proposed updating law possesses good transient behavior of learning process so that the convergence speed is improved.     

Adaptive iterative learning control for a class of non-linearly parameterised systems with input saturations

In this paper, an adaptive iterative learning control scheme is proposed for a class of non-linearly parameterised systems with unknown time-varying parameters and input saturations. By incorporating a saturation function, a new iterative learning control mechanism is presented which includes a feedback term and a parameter updating term. Through the use of parameter separation technique, the non-linear parameters are separated from the non-linear function and then a saturated difference updating law is designed in iteration domain by combining the unknown parametric term of the local Lipschitz continuous function and the unknown time-varying gain into an unknown time-varying function. The analysis of convergence is based on a time-weighted Lyapunov–Krasovskii-like composite energy function which consists of time-weighted input, state and parameter estimation information. The proposed learning control mechanism warrants a L²_{[0, T]} convergence of the tracking error sequence along the iteration axis. Simulation results are provided to illustrate the effectiveness of the adaptive iterative learning control scheme.     

基于并行学习鲁棒自适应的行驶车辆特性参数估计方法研究

针对车辆行驶过程中的特性参数估计问题,基于并行学习思想提出一种鲁棒自适应参数估计方法.通过低通滤波技术,设计一组系统状态和响应函数的一阶滤波变量.结合并行学习,构建特性参数估计的回归向量,并基于参数估计误差向量,设计鲁棒自适应参数更新律.以某型车辆为例,对该方法的有效性进行仿真验证.仿真结果表明,在无/有扰动情形下,该...     

不确定受扰电液伺服系统智能自学习PID控制

针对具有参数不确定和外负载扰动的不确定受扰电液伺服系统,提出一种智能自学习PID控制策略.该方法不依赖于系统的精确模型,是一种数据驱动的控制方法.首先,通过改进的动态线性化方法将非线性非仿射的电液伺服系统等效为含有时变参数项和非线性不确定项的线性仿射形式;然后,采用梯度估计算法和时间差分算法分别对时变参数项和非线性不确定项进行估计;接着,利用iPID控制引入附加误差信息对过度线性化丢失的信息进行补偿;最后,根据最优准则,设计不确定受扰电液伺服系统的参数更新律和学习控制律.通过理论分析和仿真实验验证所提出控制策略的收敛性,并通过对比实验,验证该控制方案应用于电液伺服系统的优越性和精确性.实验结果表明,所提出方法能够抑制非线性扰动对系统造成的不良影响,实现理想轨迹的精确跟踪.     

Integrated predictive iterative learning control based on updating reference trajectory for point-to-point tracking

A novel control technique is proposed by combining iterative learning control (ILC) and model predictive control (MPC) with updating-reference trajectory for point-to-point tracking problem of batch process. In this paper, a batch-to-batch updating-reference trajectory, which passes through the desired points, is firstly designed as the tracking trajectory within a batch. The updating control law consists of P-type ILC part and MPC part, in which P-type ILC part can improve the performance by learning from previous executions and MPC part is used to suppress the model perturbations and external disturbances. Convergence properties of the integrated predictive iterative learning control (IPILC) are analyzed theoretically, and the sufficient convergence conditions of output tracking error are also derived for a class of linear systems. Comparing with other point-to-point tracking control algorithms, the proposed algorithm can perform better in robustness. Furthermore, updating-reference relaxes the constraints for system outputs, and it may lead to faster convergence and more extensive range of application than those of fixed-reference control algorithms. Simulation results on typical systems show the effectiveness of the proposed algorithm.